PyTorch深度學習實戰(zhàn)

第 1部分　PyTorch核心
第　1章 深度學習和PyTorch庫簡介　3
1．1　深度學習革命　4
1．2　PyTorch深度學習　5
1．3　為什么用PyTorch　6
1．4　PyTorch如何支持深度學習概述　8
1．5　硬件和軟件要求　10
1．6　練習題　12
1．7　本章小結(jié)　13
第　2章 預訓練網(wǎng)絡　14
2．1　一個識別圖像主體的預訓練網(wǎng)絡　15
2．1．1　獲取一個預先訓練好的網(wǎng)絡用于圖像識別　16
2．1．2　AlexNet　17
2．1．3　ResNet　19
2．1．4　準備運行　19
2．1．5　運行模型　21
2．2　一個足以以假亂真的預訓練模型　23
2．2．1　GAN游戲　24
2．2．2　CycleGAN　25
2．2．3　一個把馬變成斑馬的網(wǎng)絡　26
2．3　一個描述場景的預訓練網(wǎng)絡　29
2．4　Torch Hub　31
2．5　總結(jié)　32
2．6　練習題　32
2．7　本章小結(jié)　33
第3章　從張量開始　34
3．1　實際數(shù)據(jù)轉(zhuǎn)為浮點數(shù)　34
3．2　張量：多維數(shù)組　36
3．2．1　從Python列表到PyTorch張量　36
3．2．2　構(gòu)造第 1個張量　37
3．2．3　張量的本質(zhì)　37
3．3　索引張量　40
3．4　命名張量　40
3．5　張量的元素類型　43
3．5．1　使用dtype指定數(shù)字類型　43
3．5．2　適合任何場合的dtype　44
3．5．3　管理張量的dtype屬性　44
3．6　張量的API　45
3．7　張量的存儲視圖　46
3．7．1　索引存儲區(qū)　47
3．7．2　修改存儲值：就地操作　48
3．8　張量元數(shù)據(jù)：大小、偏移量和步長　48
3．8．1　另一個張量的存儲視圖　49
3．8．2　無復制轉(zhuǎn)置　51
3．8．3　高維轉(zhuǎn)置　52
3．8．4　連續(xù)張量　53
3．9　將張量存儲到GPU　55
3．10　NumPy互操作性　57
3．11　廣義張量也是張量　57
3．12　序列化張量　58
3．13　總結(jié)　60
3．14　練習題　60
3．15　本章小結(jié)　60
第4章　使用張量表征真實數(shù)據(jù)　61
4．1　處理圖像　62
4．1．1　添加顏色通道　62
4．1．2　加載圖像文件　63
4．1．3　改變布局　63
4．1．4　正規(guī)化數(shù)據(jù)　64
4．2　三維圖像：體數(shù)據(jù)　65
4．3　表示表格數(shù)據(jù)　66
4．3．1　使用真實的數(shù)據(jù)集　67
4．3．2　加載葡萄酒數(shù)據(jù)張量　68
4．3．3　表示分數(shù)　70
4．3．4　獨熱編碼　70
4．3．5　何時分類　72
4．3．6　尋找閾值　73
4．4　處理時間序列　75
4．4．1　增加時間維度　76
4．4．2　按時間段調(diào)整數(shù)據(jù)　77
4．4．3　準備訓練　79
4．5　表示文本　81
4．5．1　將文本轉(zhuǎn)化為數(shù)字　81
4．5．2　獨熱編碼字符　82
4．5．3　獨熱編碼整個詞　83
4．5．4　文本嵌入　85
4．5．5　作為藍圖的文本嵌入　87
4．6　總結(jié)　88
4．7　練習題　88
4．8　本章小結(jié)　88
第5章　學習的機制　90
5．1　永恒的建模經(jīng)驗　90
5．2　學習就是參數(shù)估計　92
5．2．1　一個熱點問題　93
5．2．2　收集一些數(shù)據(jù)　93
5．2．3　可視化數(shù)據(jù)　94
5．2．4　選擇線性模型首試　94
5．3　減少損失是我們想要的　95
5．4　沿著梯度下降　98
5．4．1　減小損失　99
5．4．2　進行分析　99
5．4．3　迭代以適應模型　101
5．4．4　歸一化輸入　104
5．4．5　再次可視化數(shù)據(jù)　106
5．5　PyTorch自動求導：反向傳播的一切　107
5．5．1　自動計算梯度　107
5．5．2　優(yōu)化器　111
5．5．3　訓練、驗證和過擬合　115
5．5．4　自動求導更新及關(guān)閉　120
5．6　總結(jié)　121
5．7　練習題　122
5．8　本章小結(jié)　122
第6章　使用神經(jīng)網(wǎng)絡擬合數(shù)據(jù)　123
6．1　人工神經(jīng)網(wǎng)絡　124
6．1．1　組成一個多層網(wǎng)絡　125
6．1．2　理解誤差函數(shù)　125
6．1．3　我們需要的只是激活函數(shù)　126
6．1．4　更多激活函數(shù)　128
6．1．5　選擇最佳激活函數(shù)　128
6．1．6　學習對于神經(jīng)網(wǎng)絡意味著什么　129
6．2　PyTorch nn模塊　131
6．2．1　使用__call__()而不是forward()　132
6．2．2　回到線性模型　133
6．3　最終完成一個神經(jīng)網(wǎng)絡　137
6．3．1　替換線性模型　137
6．3．2　檢查參數(shù)　138
6．3．3　與線性模型對比　141
6．4　總結(jié)　142
6．5　練習題　142
6．6　本章小結(jié)　142
第7章　區(qū)分鳥和飛機：從圖像學習　143
7．1　微小圖像數(shù)據(jù)集　143
7．1．1　下載CIFAR-10　144
7．1．2　Dataset類　145
7．1．3　Dataset變換　146
7．1．4　數(shù)據(jù)歸一化　149
7．2　區(qū)分鳥和飛機　150
7．2．1　構(gòu)建數(shù)據(jù)集　151
7．2．2　一個全連接模型　152
7．2．3　分類器的輸出　153
7．2．4　用概率表示輸出　154
7．2．5　分類的損失　157
7．2．6　訓練分類器　159
7．2．7　全連接網(wǎng)絡的局限　165
7．3　總結(jié)　167
7．4　練習題　167
7．5　本章小結(jié)　168
第8章　使用卷積進行泛化　169
8．1　卷積介紹　169
8．2　卷積實戰(zhàn)　172
8．2．1　填充邊界　173
8．2．2　用卷積檢測特征　175
8．2．3　使用深度和池化技術(shù)進一步研究　177
8．2．4　為我們的網(wǎng)絡整合一切　179
8．3　子類化nn．Module　181
8．3．1　將我們的網(wǎng)絡作為一個nn．Module　182
8．3．2　PyTorch如何跟蹤參數(shù)和子模塊　183
8．3．3　函數(shù)式API　184
8．4　訓練我們的convnet　185
8．4．1　測量精度　187
8．4．2　保存并加載我們的模型　188
8．4．3　在GPU上訓練　188
8．5　模型設計　190
8．5．1　增加內(nèi)存容量：寬度　191
8．5．2　幫助我們的模型收斂和泛化：正則化　192
8．5．3　深入學習更復雜的結(jié)構(gòu)：深度　195
8．5．4　本節(jié)設計的比較　200
8．5．5　已經(jīng)過時了　201
8．6　總結(jié)　201
8．7　練習題　201
8．8　本章小結(jié)　202
第　2部分 從現(xiàn)實世界的圖像中學習：肺癌的早期檢測
第9章　使用PyTorch來檢測癌癥　205
9．1　用例簡介　205
9．2　為一個大型項目做準備　206
9．3　到底什么是CT掃描　207
9．4　項目：肺癌的端到端檢測儀　210
9．4．1　為什么我們不把數(shù)據(jù)扔給神經(jīng)網(wǎng)絡直到它起作用呢　213
9．4．2　什么是結(jié)節(jié)　216
9．4．3　我們的數(shù)據(jù)來源：LUNA大挑戰(zhàn)賽　217
9．4．4　下載LUNA數(shù)據(jù)集　218
9．5　總結(jié)　219
9．6　本章小結(jié)　219
第　10章 將數(shù)據(jù)源組合成統(tǒng)一的數(shù)據(jù)集　220
10．1　原始CT數(shù)據(jù)文件　222
10．2　解析LUNA的標注 數(shù)據(jù)　222
10．2．1　訓練集和驗證集　224
10．2．2　統(tǒng)一標注和候選 數(shù)據(jù)　225
10．3　加載單個CT掃描　227
10．4　使用病人坐標系定位結(jié)節(jié)　230
10．4．1　病人坐標系　230
10．4．2　CT掃描形狀和體素大小　232
10．4．3　毫米和體素地址之間的轉(zhuǎn)換　233
10．4．4　從CT掃描中取出一個結(jié)節(jié)　234
10．5　一個簡單的數(shù)據(jù)集實現(xiàn)　235
10．5．1　使用getCtRawCandidate()函數(shù)緩存候選數(shù)組　238
10．5．2　在LunaDataset．__init__()中構(gòu)造我們的數(shù)據(jù)集　238
10．5．3　分隔訓練集和驗證集　239
10．5．4　呈現(xiàn)數(shù)據(jù)　240
10．6　總結(jié)　241
10．7　練習題　241
10．8　本章小結(jié)　242
第　11章 訓練分類模型以檢測可疑腫瘤　243
11．1　一個基本的模型和訓練循環(huán)　243
11．2　應用程序的主入口點　246
11．3　預訓練和初始化　247
11．3．1　初始化模型和優(yōu)化器　247
11．3．2　數(shù)據(jù)加載器的維護和供給　249
11．4　我們的首次神經(jīng)網(wǎng)絡設計　251
11．4．1　核心卷積　251
11．4．2　完整模型　254
11．5　訓練和驗證模型　257
11．5．1　computeBatchLoss()函數(shù)　258
11．5．2　類似的驗證循環(huán)　260
11．6　輸出性能指標　261
11．7　運行訓練腳本　265
11．7．1　訓練所需的數(shù)據(jù)　266
11．7．2　插曲：enumerateWithEstimate()函數(shù)　266
11．8　評估模型：得到99．7%的正確率是否意味著我們完成了任務　268
11．9　用TensorBoard繪制訓練指標　269
11．9．1　運行TensorBoard　269
11．9．2　增加TensorBoard對指標記錄函數(shù)的支持　272
11．10　為什么模型不學習檢測結(jié)節(jié)　274
11．11　總結(jié)　275
11．12　練習題　275
11．13　本章小結(jié)　275
第　12章 通過指標和數(shù)據(jù)增強來提升訓練　277
12．1　高級改進計劃　278
12．2　好狗與壞狗：假陽性與假陰性　279
12．3　用圖表表示陽性與陰性　280
12．3．1　召回率是Roxie的強項　282
12．3．2　精度是Preston的強項　283
12．3．3　在logMetrics()中實現(xiàn)精度和召回率　284
12．3．4　我們的終極性能指標：F1分數(shù)　285
12．3．5　我們的模型在新指標下表現(xiàn)如何　289
12．4　理想的數(shù)據(jù)集是什么樣的　290
12．4．1　使數(shù)據(jù)看起來更理想化　292
12．4．2　使用平衡的LunaDataset與之前的數(shù)據(jù)集運行情況對比　296
12．4．3　認識過擬合　298
12．5　重新審視過擬合的問題　300
12．6　通過數(shù)據(jù)增強防止過擬合　300
12．6．1　具體的數(shù)據(jù)增強技術(shù)　301
12．6．2　看看數(shù)據(jù)增強帶來的改進　306
12．7　總結(jié)　308
12．8　練習題　308
12．9　本章小結(jié)　309
第　13章 利用分割法尋找可疑結(jié)節(jié)　310
13．1　向我們的項目添加第 2個模型　310
13．2　各種類型的分割　312
13．3　語義分割：逐像素分類　313
13．4　更新分割模型　317
13．5　更新數(shù)據(jù)集以進行分割　319
13．5．1　U-Net有非常具體的對輸入大小的要求　320
13．5．2　U-Net對三維和二維數(shù)據(jù)的權(quán)衡　320
13．5．3　構(gòu)建真實、有效的數(shù)據(jù)集　321
13．5．4　實現(xiàn)Luna2dSegmentationDataset　327
13．5．5　構(gòu)建訓練和驗證數(shù)據(jù)　331
13．5．6　實現(xiàn)TrainingLuna2dSegmentationDataset　332
13．5．7　在GPU上增強數(shù)據(jù)　333
13．6　更新用于分割的訓練腳本　335
13．6．1　初始化分割和增強模型　336
13．6．2　使用Adam優(yōu)化器　336
13．6．3　骰子損失　337
13．6．4　將圖像導入TensorBoard　340
13．6．5　更新指標日志　343
13．6．6　保存模型　344
13．7　結(jié)果　345
13．8　總結(jié)　348
13．9　練習題　348
13．10　本章小結(jié)　349
第　14章 端到端的結(jié)節(jié)分析及下一步的方向　350
14．1　接近終點線　350
14．2　驗證集的獨立性　352
14．3　連接CT分割和候選結(jié)節(jié)分類　353
14．3．1　分割　354
14．3．2　將體素分組為候選結(jié)節(jié)　355
14．3．3　我們發(fā)現(xiàn)結(jié)節(jié)了嗎？分類以減少假陽性　357
14．4　定量驗證　360
14．5　預測惡性腫瘤　361
14．5．1　獲取惡性腫瘤信息　361
14．5．2　曲線基線下的區(qū)域：按直徑分類　362
14．5．3　重用預先存在的權(quán)重：微調(diào)　365
14．5．4　TensorBoard中的輸出　370
14．6　在診斷時所見的內(nèi)容　374
14．7　接下來呢？其他靈感和數(shù)據(jù)的來源　376
14．7．1　防止過擬合：更好的正則化　377
14．7．2　精細化訓練數(shù)據(jù)　379
14．7．3　競賽結(jié)果及研究論文　380
14．8　總結(jié)　381
14．9　練習題　382
14．10　本章小結(jié)　383
第3部分　部署
第　15章 部署到生產(chǎn)環(huán)境　387
15．1　PyTorch模型的服務　388
15．1．1　支持Flask服務的模型　388
15．1．2　我們想從部署中得到的東西　390
15．1．3　批處理請求　391
15．2　導出模型　395
15．2．1　PyTorch與ONNX的互操作性　396
15．2．2　PyTorch自己的導出：跟蹤　397
15．2．3　具有跟蹤模型的服務器　398
15．3　與PyTorch JIT編譯器交互　398
15．3．1　超越經(jīng)典Python/PyTorch的期望是什么　399
15．3．2　PyTorch作為接口和后端的雙重特性　400
15．3．3　TorchScript　400
15．3．4　為可追溯的差異編寫腳本　404
15．4　LibTorch：C++中的PyTorch　405
15．4．1　從C++中運行JITed模型　405
15．4．2　從C++ API開始　408
15．5　部署到移動設備　411
15．6　新興技術(shù)：PyTorch
模型的企業(yè)服務　416
15．7　總結(jié)　416
15．8　練習題　416
15．9　本章小結(jié)　416